利用短时傅里叶变换（STFT）对信号进行时频谱分析和去噪声

article/2025/10/7 8:25:29

利用短时傅里叶变换（STFT）对信号进行时频谱分析和去噪声

1、背景

 傅里叶变换（TF）对频谱的描绘是“全局性”的，不能反映时间维度局部区域上的特征,人们虽然从傅立叶变换能清楚地看到一整段信号包含的每一个频率的分量值，但很难看出对应于频率域成分的不同时间信号的持续时间和发射的持续时间，缺少时间信息使得傅立叶分析在更精密的分析中显得很无力。傅里叶变换只反映出信号在频域的特性，无法在时域内对信号进行分析。另外，傅里叶变换的相位对于噪声非常敏感，很长的数据中哪怕是很小一段出错，通过傅里叶变换得到的相位也会与真是的相位相差很多。

2、短时傅里叶变换（STFT）

 短时傅里叶变换，又称窗傅里叶变换。在信号做傅里叶变换之前乘一个时间有限的窗函数 h(t)，并假定非平稳信号在分析窗的短时间隔内是平稳的，通过窗函数 h(t)在时间轴上的移动，对信号进行逐段分析得到信号的一组局部“频谱”，即信号在时域内的每一瞬间的频谱。

 获得信号时域内的频谱信息之后，就可以对信号进行滤波处理。在时域内的频谱信息中可以直观的找出信号的主要频率信息，从而去掉能够被认为是噪声的次要频率信息，再通过逆变换得到降噪之后的信号。

3、处理思路

1）原始信号转换成WAV格式的音频信号，通过音频来判断结果；

2）对数据进行短时傅里叶变换，获得原始信号时间分辨的频谱信号；

3）利用谱减法降噪。具体实现是通过鼠标选择原始信号时间分辨的频谱信号幅值部分需要保留的区域，通过矩阵掩模实现谱减法。掩模矩阵通过通过鼠标选取区域，区域内部的为1，外部为0，将掩模矩阵和原始信号时间分辨的频谱信号幅值矩阵对应位置元素相乘，得到降噪后的幅值矩阵；

4）使用短时傅里叶变换的相位和降噪后的幅值重构复信号的频域分布；

5）使用短时傅立叶变换逆变换重构完成滤波的时域信号；

6）将滤波的信号转换成WAV格式的音频信号，判断效果。

注：由于此处处理的信号是音频信号采样率比较高，通过观察时域波形很难判断效果的好坏，故采用转换成音频信号的方式来判断效果。对于常规的待处理信号，直接通过绘制时域波形来判断即可。

4、具体实现

 这里以一段音频信息的背景噪声去除和主要声音的提取为例子。代码注释比较详细，具体实现不做过多赘述。

以下是原始音频：
原始音频链接
原始信号时域波形如下：
原始信号时域波形
1）数组转换成WAV格式音频文件借助wave模块：

# 数组转换成WAV文件
def array2WAV(t, signal, wavName, savePath):num_samples = len(signal)amplitude = 50sampling_rate = 1.0 / (t[1] - t[0])nframes = num_samplescomptype = "NONE"compname = "not compressed"nchannels = 1sampwidth = 2wav_file = wave.open("{}/{}.wav".format(savePath, wavName), 'w')wav_file.setparams((nchannels, sampwidth, int(sampling_rate), nframes,comptype, compname))for s in signal:wav_file.writeframes(struct.pack('h', int(s * amplitude)))

2)STFT实现 首先创建一个M行L列的矩阵xmat，该矩阵的每一行代表一个0-Fe的频率，单位为Hz，每一列对应该段被窗函数截取的信号的FFT快速傅里叶变换。短时傅里叶变换实现如下：

# 短时傅里叶变换实现
# 函数输入六个参数，返回短时傅里叶变换的二维数据结果和横纵轴数据
# trame和Fe : 初始的数字信号和它的采样频率
# Nfft : 上文提到的离散傅里叶变换中，频域的采样个数M
# fenetre : 短时傅里叶变换中使用的窗函数，在接下来的实现中我都使用了汉明窗np.hamming。
# Nwin : 窗函数的长度(包含点的个数)
# Nhop : 窗函数每次滑动的长度，一般规定为Nwin/2，窗函数长度的一半
# 首先创建一个M行L列的矩阵xmat，该矩阵的每一行代表一个0-Fe的频率，单位为Hz，每一列对应该段被窗函数截取的信号的FFT快速傅里叶变换。
def TFCT(trame, Fe, Nfft, fenetre, Nwin, Nhop):L = int((len(trame) - len(fenetre)) / Nhop) + 1M = Nfftxmat = np.zeros((M, L))for j in range(L):xmat[:, j] = np.fft.fft(trame[j * Nhop:Nwin + Nhop * j] * fenetre,Nfft)x_temporel = np.linspace(0, (1 / Fe) * len(trame), len(xmat[0]))x_frequentiel = np.linspace(0, Fe / 2, len(xmat[:, 0]))return xmat, x_temporel, x_frequentiel

原始信号的STFT结果如下图所示：

原始信号的STFT结果

从图中可以看出，三条较长黄色谱线对应海豚的叫声（对应于一个主频和两个谐波分量）。仔细观察可以看出同时在这期间还有另一只小动物的叫声（在分析频段内只能看到主频和一次谐波分量，所以只有两块时频谱），犹豫这个声音比较小，因此在这个图中不明显。实际上，如果不进行STFT处理，这个小动物的声音很难发现。后续的处理只需要在这个图中分别取出两种叫声的主频和谐波分量，其余的全部舍弃，即可实现降噪滤波。

3)时频谱中感兴趣部分提取

为方便后续的边界识别，首先需要对时频谱进行矩阵平滑出理：

# 矩阵平滑
def smoothMatrix(toSolveMatrix):for i in range(len(toSolveMatrix)):for j in range(len(toSolveMatrix[i])):leftIndex = 0rightIndex = 0upIndex = 0downIndex = 0if i - 1 < 0:leftIndex = 0else:leftIndex = -1if j - 1 < 0:upIndex = 0else:upIndex = -1if i + 1 > len(toSolveMatrix) - 1:rightIndex = 0else:rightIndex = 1if j + 1 > len(toSolveMatrix[i]) - 1:downIndex = 0else:downIndex = 1toSolveMatrix[i][j] = (toSolveMatrix[i][j] + toSolveMatrix[i + leftIndex][j + upIndex]+ toSolveMatrix[i + leftIndex][j + downIndex] +toSolveMatrix[i + rightIndex][j + upIndex] +toSolveMatrix[i + rightIndex][j + upIndex]) / 5return toSolveMatrix

通过鼠标绘制区域，获得时频谱中感兴趣的区域：

# 本程序用于通过鼠标来获得矩阵的掩模区域
# 一定要注意窗口的操作顺序
# 在程序运行之后，会出现矩阵的灰度图，在上面通过鼠标左键的拖动来选定区域
# 选定完成之后直接关掉这个灰度图从窗口
# 后面再依次关掉后续过程中出现的几个小窗口，直到下一次区域选定的矩阵灰度图出现为止
# 再继续重复上面的操作即可import cv2
import numpy as np
import copy
import oscurrentPath = os.path.dirname(__file__)points = []def on_mouse(event, x, y, flags, param):global points, img, i, Cur_point, Start_pointcopyImg = copy.deepcopy(img)h, w = img.shape[:2]mask_img = np.zeros([h + 2, w + 2], dtype=np.uint8)if event == cv2.EVENT_LBUTTONDOWN:Start_point = [x, y]points.append(Start_point)cv2.circle(img, tuple(Start_point), 1, (255, 255, 255), 0)cv2.imshow("window1", img)elif event == cv2.EVENT_MOUSEMOVE and flags == cv2.EVENT_FLAG_LBUTTON:Cur_point = [x, y]cv2.line(img, tuple(points[-1]), tuple(Cur_point), (255, 255, 255))cv2.imshow("window1", img)points.append(Cur_point)elif event == cv2.EVENT_LBUTTONUP:Cur_point = Start_pointcv2.line(img, tuple(points[-1]), tuple(Cur_point), (255, 255, 255))cv2.circle(img, tuple(Cur_point), 1, (255, 255, 255))ret, image, mask, rect = cv2.floodFill(img, mask_img, (x, y),(255, 255, 255),cv2.FLOODFILL_FIXED_RANGE)cv2.imwrite("{}/maskImage.jpg".format(currentPath), img)src = cv2.bitwise_and(img, image)cv2.imwrite("{}/segImg.jpg".format(currentPath), src)cv2.waitKey(0)img = cv2.imread('{}/segImg.jpg'.format(currentPath))gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, binary = cv2.threshold(gray, 240, 255, cv2.THRESH_BINARY)contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)cv2.drawContours(copyImg, contours, -1, (0, 0, 255), 3)cv2.imshow('RoiImg', copyImg)  # 只显示零件外轮廓cv2.waitKey(0)cimg = np.zeros_like(img)cimg[:, :, :] = 0cv2.drawContours(cimg,contours,1,color=(255, 255, 255),thickness=-1)cv2.imshow('maskImg', cimg)  # 将零件区域像素值设为(255, 255, 255)cv2.imwrite("{}/maskMatrix_{}.jpg".format(currentPath, i + 1), cimg)cv2.waitKey(0)

获得感兴趣区域之后，进行掩模处理，掩模矩阵的计算：

# mask矩阵
def maskMatrixGet(savePath):maskMatrixs = []for i in range(3):tempMaskMatrix = cv2.imread("{}/maskMatrix_{}.jpg".format(savePath, i + 1))# 因为maskMatrixs已经是二值图，因此读取之后灰度处理得到的就是二值图了gray_tempMaskMatrix = cv2.cvtColor(tempMaskMatrix, cv2.COLOR_BGR2GRAY)maskMatrixs.append(gray_tempMaskMatrix)rows, cols = maskMatrixs[0].shapemaskMatrix = np.zeros((rows, cols))for i in range(rows):for j in range(cols):maskMatrix[i][j] = maskMatrixs[0][i][j] + \maskMatrixs[1][i][j]+maskMatrixs[2][i][j]cv2.imwrite("{}/maskMatrix.jpg".format(savePath), maskMatrix)return maskMatrix

通过鼠标选取和掩模处理之后得到的海豚叫声的时频谱：

通过鼠标选取和掩模处理之后得到的海豚叫声的时频谱

通过鼠标选取和掩模处理之后得到的未知小动物叫声的时频谱：

通过鼠标选取和掩模处理之后得到的未知小动物叫声的时频谱

4)对提取出来的时频谱进行短时逆傅里叶变换重构相应的时域信号：

使用overlapp-add算法进行短时傅里叶变换的逆变换重构原信号：

# 使用overlapp-add算法进行短时傅里叶变换的逆变换重构原信号
# 函数有五个参数，返回重构的原信号的横轴和纵轴数据
# 第一步，对上一部分得出的矩阵xmat进行快速傅里叶变换的逆变换，得出同样规格M行L列的矩阵yl。
# 对yl矩阵的每一列平移 (l-1)Nhop，l ∈ \in∈ [1,L]，例如第一列不变，第二列平移Nhop，第三列平移2Nhop，以此类推。之后将所有列的转置，叠加到总长度为Nfft +(L-1)*Nhop的向量yvect中。
def ITFD(xmat, Fe, Nfft, Nwin, Nhop):window = np.hamming(Nwin)# 采样周期Te = 1 / Fe# 信号重构yvect = np.zeros(Nfft + (xmat.shape[1] - 1) * Nhop, dtype=complex)t_vecteur = np.arange(0, Te * len(yvect), Te)K = 0L = xmat.shape[1]yl = np.zeros(xmat.shape, dtype=complex)for j in range(L):yl[:, j] = np.fft.ifft(xmat[:, j])# 平移和求和for k in range(L):yvect[Nhop * k:Nfft + Nhop * k] += yl[:, k]# 标准化幅值for n in range(Nwin - 1):K += window[n]K /= Nhopyvect /= Kreturn t_vecteur, yvect

重构出来的海豚叫声的时域波形：

重构出来的海豚叫声的时域波形

重构出来的未知小动物叫声的时域波形：

重构出来的未知小动物叫声的时域波形

5）将提取出来的两个信号转换成WAV格式音频信号，判断效果，效果不佳则重新进行时频谱的区域选择

重构出来的海豚叫声的音频：

重构出来的海豚叫声的音频

重构出来的未知小动物叫声的音频：

重构出来的未知小动物叫声的音频

5、完整代码

整个代码分成两个单独的文件：

main.py

import numpy as np
import matplotlib.pyplot as plt
import wave
import struct
from IPython.display import display, Audio
import cv2
import os
from time import *currentPath = os.path.dirname(__file__)# 短时傅里叶变换实现
# 函数输入六个参数，返回短时傅里叶变换的二维数据结果和横纵轴数据
# trame和Fe : 初始的数字信号和它的采样频率
# Nfft : 上文提到的离散傅里叶变换中，频域的采样个数M
# fenetre : 短时傅里叶变换中使用的窗函数，在接下来的实现中我都使用了汉明窗np.hamming。
# Nwin : 窗函数的长度(包含点的个数)
# Nhop : 窗函数每次滑动的长度，一般规定为Nwin/2，窗函数长度的一半
# 首先创建一个M行L列的矩阵xmat，该矩阵的每一行代表一个0-Fe的频率，单位为Hz，每一列对应该段被窗函数截取的信号的FFT快速傅里叶变换。
def TFCT(trame, Fe, Nfft, fenetre, Nwin, Nhop):L = int((len(trame) - len(fenetre)) / Nhop) + 1M = Nfftxmat = np.zeros((M, L))for j in range(L):xmat[:, j] = np.fft.fft(trame[j * Nhop:Nwin + Nhop * j] * fenetre,Nfft)x_temporel = np.linspace(0, (1 / Fe) * len(trame), len(xmat[0]))x_frequentiel = np.linspace(0, Fe / 2, len(xmat[:, 0]))return xmat, x_temporel, x_frequentiel# 使用overlapp-add算法进行短时傅里叶变换的逆变换重构原信号
# 函数有五个参数，返回重构的原信号的横轴和纵轴数据
# 第一步，对上一部分得出的矩阵xmat进行快速傅里叶变换的逆变换，得出同样规格M行L列的矩阵yl。
# 对yl矩阵的每一列平移 (l-1)Nhop，l ∈ \in∈ [1,L]，例如第一列不变，第二列平移Nhop，第三列平移2Nhop，以此类推。之后将所有列的转置，叠加到总长度为Nfft +(L-1)*Nhop的向量yvect中。
def ITFD(xmat, Fe, Nfft, Nwin, Nhop):window = np.hamming(Nwin)# 采样周期Te = 1 / Fe# 信号重构yvect = np.zeros(Nfft + (xmat.shape[1] - 1) * Nhop, dtype=complex)t_vecteur = np.arange(0, Te * len(yvect), Te)K = 0L = xmat.shape[1]yl = np.zeros(xmat.shape, dtype=complex)for j in range(L):yl[:, j] = np.fft.ifft(xmat[:, j])# 平移和求和for k in range(L):yvect[Nhop * k:Nfft + Nhop * k] += yl[:, k]# 标准化幅值for n in range(Nwin - 1):K += window[n]K /= Nhopyvect /= Kreturn t_vecteur, yvect# 数组转换成WAV文件
def array2WAV(t, signal, wavName, savePath):num_samples = len(signal)amplitude = 50sampling_rate = 1.0 / (t[1] - t[0])nframes = num_samplescomptype = "NONE"compname = "not compressed"nchannels = 1sampwidth = 2wav_file = wave.open("{}/{}.wav".format(savePath, wavName), 'w')wav_file.setparams((nchannels, sampwidth, int(sampling_rate), nframes,comptype, compname))for s in signal:wav_file.writeframes(struct.pack('h', int(s * amplitude)))def dataRead(filePath):data = np.loadtxt(filePath)return data# 矩阵平滑
def smoothMatrix(toSolveMatrix):for i in range(len(toSolveMatrix)):for j in range(len(toSolveMatrix[i])):leftIndex = 0rightIndex = 0upIndex = 0downIndex = 0if i - 1 < 0:leftIndex = 0else:leftIndex = -1if j - 1 < 0:upIndex = 0else:upIndex = -1if i + 1 > len(toSolveMatrix) - 1:rightIndex = 0else:rightIndex = 1if j + 1 > len(toSolveMatrix[i]) - 1:downIndex = 0else:downIndex = 1toSolveMatrix[i][j] = (toSolveMatrix[i][j] + toSolveMatrix[i + leftIndex][j + upIndex]+ toSolveMatrix[i + leftIndex][j + downIndex] +toSolveMatrix[i + rightIndex][j + upIndex] +toSolveMatrix[i + rightIndex][j + upIndex]) / 5return toSolveMatrix# 矩阵预处理
def preproMatrix(toSolveMatrix, smoothNum):for i in range(smoothNum):toSolveMatrix = smoothMatrix(toSolveMatrix)return toSolveMatrixdef nearestInList(x, aList):diff = 100000000resIndex = 0for i in range(len(aList)):if np.abs(aList[i] - x) < diff:diff = np.abs(aList[i] - x)resIndex = ireturn resIndex# mask矩阵
def maskMatrixGet(savePath):maskMatrixs = []for i in range(3):tempMaskMatrix = cv2.imread("{}/maskMatrix_{}.jpg".format(savePath, i + 1))# 因为maskMatrixs已经是二值图，因此读取之后灰度处理得到的就是二值图了gray_tempMaskMatrix = cv2.cvtColor(tempMaskMatrix, cv2.COLOR_BGR2GRAY)maskMatrixs.append(gray_tempMaskMatrix)rows, cols = maskMatrixs[0].shapemaskMatrix = np.zeros((rows, cols))for i in range(rows):for j in range(cols):maskMatrix[i][j] = maskMatrixs[0][i][j] + \maskMatrixs[1][i][j]+maskMatrixs[2][i][j]cv2.imwrite("{}/maskMatrix.jpg".format(savePath), maskMatrix)return maskMatrix# 谱减法的核心思路非常简单，顾名思义，谱减法是一种频域上的信号处理方法
# 其基本思路就是提取出信号本身的频谱以及噪音的频谱，通过两者之差获取降噪后信号的频谱，最后利用傅立叶变换逆变换重构初始信号。
# 要使用谱减法来进行信号处理，显然我们首先需要计算出信号的频谱以及噪音的频谱。
# 主方法入口
def main():startTime = time()# 原始数据读取与处理data = dataRead("{}/data.txt".format(currentPath))t = data[:, 0]mix = data[:, 1]array2WAV(t, mix * 50, "originalSignal", currentPath)# 计算采样率Fe = 1.0 / (t[1] - t[0])Te = 1.0 / Feplt.figure(figsize=(10, 8))plt.plot(t, mix)plt.xlabel('t(s)')plt.ylabel('amplitude(V)')plt.title('representation of the original signal in time domain')plt.show()display(Audio(mix, rate=Fe))# 短时傅里叶变换Nfft = 256Nwin = 256Nhop = 128window = np.hamming(Nwin)xmat_sound, tvect, fvect = TFCT(mix, Fe, Nfft, window, Nwin, Nhop)module_tf_xmat = abs(xmat_sound)plt.figure(figsize=(10, 8))xlim = int(module_tf_xmat.shape[0] / 2)plt.imshow(20 * np.log10(module_tf_xmat[0:xlim, :]),extent=[0, Te * len(mix), 0, Fe / 2],aspect='auto')plt.colorbar()plt.xlabel('time(s)')plt.ylabel('frequence(Hz)')plt.title('spectrogram of the originql signal')plt.show()# 谱减法降噪module_tf_xmat = abs(xmat_sound)angle_tf_xmat = np.angle(xmat_sound)module_tf_bruit = module_tf_xmat[:, 0]module_reconstruit = np.zeros(module_tf_xmat.shape)for n in range(module_tf_xmat.shape[1]):module_reconstruit[:, n] = module_tf_xmat[:, n] - module_tf_bruitcv2.imwrite("{}/spectrogramOfOriSig.jpg".format(currentPath),module_reconstruit[0:xlim, :])# 运行clickGetEare.py获取想要保留的二维频谱部分os.system("python {}/clickGetEare.py".format(currentPath))# 获取掩模矩阵maskMatrix = maskMatrixGet(currentPath)# 掩模运算rows, cols = maskMatrix.shapefor i in range(rows):for j in range(cols):module_reconstruit[i][j] *= maskMatrix[i][j]plt.imshow(20 * np.log10(module_reconstruit[0:xlim, :]),extent=[0, Te * len(mix), 0, Fe / 2],aspect='auto')plt.colorbar()plt.xlabel('time(s)')plt.ylabel('frequence(Hz)')plt.title('spectrogram of the denoised signal')plt.show()# 将相位和降噪后的幅值重构复信号的频域分布tf_reconstruit = np.zeros(module_tf_xmat.shape, dtype=complex)for i in range(module_tf_xmat.shape[0]):for j in range(module_tf_xmat.shape[1]):tf_reconstruit[i, j] = module_reconstruit[i, j] * \np.exp(angle_tf_xmat[i, j]*1j)# 使用短时傅立叶变换逆变换重构时域内的信号t, yvect = ITFD(tf_reconstruit, Fe, Nfft, Nwin, Nhop)array2WAV(t, yvect, "denoisedSignal", currentPath)plt.figure(figsize=(10, 8))plt.plot(t.real, yvect.real)plt.xlabel('t(s)')plt.ylabel('amplitude(V)')plt.title('representation of the denoised signal in time domain')plt.show()data_denoised = np.transpose([t.real, yvect.real])np.savetxt("{}/data_denoised.txt".format(currentPath), data_denoised)endTime = time()print("程序运行时间：{} s.".format(endTime - startTime))if __name__ == "__main__":main()

clickGetEare.py

# 本程序用于通过鼠标来获得矩阵的掩模区域
# 一定要注意窗口的操作顺序
# 在程序运行之后，会出现矩阵的灰度图，在上面通过鼠标左键的拖动来选定区域
# 选定完成之后直接关掉这个灰度图从窗口
# 后面再依次关掉后续过程中出现的几个小窗口，直到下一次区域选定的矩阵灰度图出现为止
# 再继续重复上面的操作即可import cv2
import numpy as np
import copy
import oscurrentPath = os.path.dirname(__file__)points = []def on_mouse(event, x, y, flags, param):global points, img, i, Cur_point, Start_pointcopyImg = copy.deepcopy(img)h, w = img.shape[:2]mask_img = np.zeros([h + 2, w + 2], dtype=np.uint8)if event == cv2.EVENT_LBUTTONDOWN:Start_point = [x, y]points.append(Start_point)cv2.circle(img, tuple(Start_point), 1, (255, 255, 255), 0)cv2.imshow("window1", img)elif event == cv2.EVENT_MOUSEMOVE and flags == cv2.EVENT_FLAG_LBUTTON:Cur_point = [x, y]cv2.line(img, tuple(points[-1]), tuple(Cur_point), (255, 255, 255))cv2.imshow("window1", img)points.append(Cur_point)elif event == cv2.EVENT_LBUTTONUP:Cur_point = Start_pointcv2.line(img, tuple(points[-1]), tuple(Cur_point), (255, 255, 255))cv2.circle(img, tuple(Cur_point), 1, (255, 255, 255))ret, image, mask, rect = cv2.floodFill(img, mask_img, (x, y),(255, 255, 255),cv2.FLOODFILL_FIXED_RANGE)cv2.imwrite("{}/maskImage.jpg".format(currentPath), img)src = cv2.bitwise_and(img, image)cv2.imwrite("{}/segImg.jpg".format(currentPath), src)cv2.waitKey(0)img = cv2.imread('{}/segImg.jpg'.format(currentPath))gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, binary = cv2.threshold(gray, 240, 255, cv2.THRESH_BINARY)contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)cv2.drawContours(copyImg, contours, -1, (0, 0, 255), 3)cv2.imshow('RoiImg', copyImg)  # 只显示零件外轮廓cv2.waitKey(0)cimg = np.zeros_like(img)cimg[:, :, :] = 0cv2.drawContours(cimg,contours,1,color=(255, 255, 255),thickness=-1)cv2.imshow('maskImg', cimg)  # 将零件区域像素值设为(255, 255, 255)cv2.imwrite("{}/maskMatrix_{}.jpg".format(currentPath, i + 1), cimg)cv2.waitKey(0)if __name__ == "__main__":for i in range(3):path = '{}/spectrogramOfOriSig.jpg'.format(currentPath)img = cv2.imread(path)cv2.namedWindow("window1", cv2.WINDOW_NORMAL)cv2.imshow("window1", img)cv2.setMouseCallback("window1", on_mouse, 0)cv2.resizeWindow("window1", 1280, 960)cv2.waitKey(0)cv2.destroyAllWindows()

http://chatgpt.dhexx.cn/article/7TAs3rX1.shtml

相关文章

STFT（短时傅里叶变换）音频特征提取，用于语音识别 python

STFT（短时傅里叶变换）音频特征提取，用于语音识别 python

在各种音频相关的任务中&#xff0c;不管用什么模型或网络&#xff0c;得到所需的音频特征肯定是必要的一步。下面简单说一下STFT特征 一、原始信号 在说STFT之前&#xff0c;先说一下读入的原始信号&#xff0c;图像是在XY二维上描述的像素点的集合&#xff0c;相应的&#x…
阅读更多...
STFT原理及MATLAB代码

STFT原理及MATLAB代码

原文地址&#xff1a;http://blog.csdn.net/shengzhadon/article/details/46811923 一、先说说STFT的理论 1.概念和特点 STFT&#xff08;short-time Fourier transform&#xff0c;短时傅里叶变换&#xff09;是和傅里叶变换相关的一种数学变换&#xff0c;用以确定时变信号其…
阅读更多...
nvme分区选mbr还是guid_win7安装系统硬盘模式mbr和guid选哪个？

nvme分区选mbr还是guid_win7安装系统硬盘模式mbr和guid选哪个？

有很多系统之家的用户&#xff0c;还是喜欢安装win7系统的。但是在新的硬盘里面我们要分区的话&#xff0c;会出现mbr和guid是硬盘分区的两个格式&#xff0c;很多用户在做系统的时候不知道选哪个好&#xff0c;其实最好根据自己的电脑的配置&#xff0c;下面来看看详细的介绍吧…
阅读更多...
uefi+guid分区与legacy+mbr分区_硬盘分区表格式GUID和MBR知识普及

uefi+guid分区与legacy+mbr分区_硬盘分区表格式GUID和MBR知识普及

我们的电脑硬盘分区格式一共有两种，一种是GUID(GPT)，一种是MBR。 啥是硬盘分区呢？举个例子你就明白了，很多人去买电脑的时候，比如你买的电脑只有一块硬盘，店家就会给你分区，把这一块硬盘分成好几个区，比如分成了系统，软件，文档这样三个，那么你打开【我的电脑】后就会…
阅读更多...
nvme分区选mbr还是guid_SSD里的特例：NVME固态改MBR格式、装Win7

nvme分区选mbr还是guid_SSD里的特例：NVME固态改MBR格式、装Win7

问题一：NVME固态是否支持MBR文件格式： 场景：前几天朋友兴致冲冲的买了个建兴T10，准备好好体验一下。但是正当他吃着火锅，唱着歌，突然就给麻匪劫了——电脑系统竟然接二连三莫名奇妙的崩溃。 于是朋友就向我求助。由于他的电脑最近除了换了硬盘，并没有添加任何其他的硬设…
阅读更多...
guid备份分区表crc错误_硬盘GPT和MBR分区表转换方法

guid备份分区表crc错误_硬盘GPT和MBR分区表转换方法

随着硬盘容量越来越大，传统的MBR硬盘分区模式已经不能满足发展需要，预装win8或win10系统的硬盘默认都是GPT分区表(GUID格式)，GPT识别2T以上的硬盘以及UEFI启动模式。不过在对系统进行重装时，经常会遇到无法安装在GPT或MBR硬盘中的问题，那么这个时候就需要对硬盘的分区表进…
阅读更多...
GUID与MBR

GUID与MBR

磁盘分区表方案 全局唯一标识分区表是一个实体硬盘的分区表的结构布局的标准。 先说说目前广泛使用的磁盘分区表方案。传统的分区方案(称为MBR分区方案)是将分区信息保存到磁盘的第一个扇区(MBR扇区)中的64个字节中&#xff0c;每个分区项占用16个字节&#xff0c;这16个字节中…
阅读更多...
如何将MBR转为GUID？这方法易于使用且安全！

如何将MBR转为GUID？这方法易于使用且安全！

为什么要将MBR转为GUID(GPT)&#xff1f; MBR代表主引导记录&#xff0c;它使用Legacy BIOS分区表。而GPT磁盘&#xff0c;也就是GUID分区表的缩写&#xff0c;是一种引入了统一可扩展固件接口 (UEFI) 的新布局。GPT磁盘有2个主要优势&#xff1a; GPT磁盘每个分区…
阅读更多...
计算机硬盘分区信息,你知道电脑硬盘分区Guid格式和MBR格式有什么区别吗？来看看！...

计算机硬盘分区信息,你知道电脑硬盘分区Guid格式和MBR格式有什么区别吗？来看看！...

现在的电脑随着技术的更新&#xff0c;传统的MBR格式虽然支持兼容&#xff0c;但是win10系统基本都使用了GUID分区格式&#xff0c;这样会让整体的系统运作得更有效率。如果还在使用MBR格式的用户想安装系统&#xff0c;没有设置好分区格式&#xff0c;容易导致安装出错&#x…
阅读更多...
nvme分区选mbr还是guid_UEFI+GPT和Legacy+MBR两种模式安装的系统有什么区别

nvme分区选mbr还是guid_UEFI+GPT和Legacy+MBR两种模式安装的系统有什么区别

UEFI+GPT和Legacy+MBR两种模式安装的系统有什么区别？很多电脑小白都搞不懂UEFI、GPT、BIOS、MBR到底是什么意思，下面跟随小白系统一起深入了解下UEFI+GPT和Legacy+MBR两种模式安装的系统有什么区别吧。 一、了解专业名词 BIOS，全称"Basic Input Output System"，中…
阅读更多...
nvme分区选mbr还是guid_怎么分辨硬盘是GUID格式还是MBR格式以及怎样更改

nvme分区选mbr还是guid_怎么分辨硬盘是GUID格式还是MBR格式以及怎样更改

首先我们要大概了解一下MBR和GUID是什么 mbr是指主引导记录，guid是指全局唯一标识符（其实我也不太懂这是啥），两者都是硬盘的一种启动模式（大概是这个意思，欢迎指教） 但是mbr只支持2x1024mb，也就是传统意义上的2tb的储存，并且只能分最多4个区，而guid理论上来讲可以有无…
阅读更多...
nvme分区选mbr还是guid_系统重装，硬盘分区MBR和GPT选哪个好？看完才知原来有这讲究！...

nvme分区选mbr还是guid_系统重装，硬盘分区MBR和GPT选哪个好？看完才知原来有这讲究！...

在重装系统时，不少用户会问老毛桃电脑的硬盘选择MBR格式还是GPT格式好呢？其实，如何选择格式和你用的电脑是BIOS启动或是UEFI启动有很大的联系。我们都知道现在大家较为常用的要么是BIOS+MBR模式，要么是UEFI+GPT模式，选择任意一种模式的分区对系统运行不会造成太大的影响。…
阅读更多...
nvme分区选mbr还是guid_重装系统时，磁盘分区MBR和GPT模式哪个好？原来还有这两种区别！...

nvme分区选mbr还是guid_重装系统时，磁盘分区MBR和GPT模式哪个好？原来还有这两种区别！...

相信大家在重装系统之前就会将电脑磁盘进行分区，毕竟只有一个分区是不可以进行重装系统的。而且磁盘分区方便管理磁盘，每个分区之间相互独立，数据不容易产生混淆。那么大家在创建磁盘分区的时候，肯定都会遇到MBR和GPT两种引导模式，这时候就会产生人生的思考：究竟应该怎么…
阅读更多...
nvme分区选mbr还是guid_老毛桃winpe的DiskGenius分区工具使用说明

nvme分区选mbr还是guid_老毛桃winpe的DiskGenius分区工具使用说明

在对磁盘进行分区时，存在着一大堆的设置，到底需要如何设置?分区表是什么?如何进行4K对齐?以下操作建议PE下使用，前期需要准备:制作老毛桃U盘启动盘(U盘大小需要8G以上)。 操作指引： 起始分区操作请看：第1步 GUID分区表(GPT硬盘)操作请看：第2~7步; MBR分区表操作请看：…
阅读更多...
服务器系统要用GUID还是MBR,win7mbr和guid应该选哪一个

服务器系统要用GUID还是MBR,win7mbr和guid应该选哪一个

win7mbr和guid是硬盘分区的两个格式&#xff0c;很多用户在做系统的时候不知道选哪个好&#xff0c;其实最好根据自己的电脑的配置&#xff0c;下面来看看详细的介绍吧。 win7mbr和guid选哪个 WIN7&#xff1a;建议MBR分区。因为Windows 7默认不支持UEFI系统安装&#xff0c;无…
阅读更多...
服务器系统要用GUID还是MBR,分享win10分区格式MBR和GUID有什么区别 教你区分MBR和GUID格式...

服务器系统要用GUID还是MBR,分享win10分区格式MBR和GUID有什么区别 教你区分MBR和GUID格式...

今天IT天空小编要给大家分享下最新的教程 电脑装win10系统需要选择正确的分区格式&#xff0c;这样电脑才能保持正常运转&#xff0c;如果格式安装错误&#xff0c;电脑就没办法继续运行了。一般情况下&#xff0c;win10分区格式MBR和GUID两种选择&#xff0c;那么这两者有何区…
阅读更多...
【小白装系统】——硬盘分区表格式GUID和MBR知识普及

【小白装系统】——硬盘分区表格式GUID和MBR知识普及

我们的电脑硬盘分区格式一共有两种，一种是GUID（GPT），一种是MBR。 怎么判断自己硬盘是哪一种： 如果你的电脑原装系统是win8或者以上的，那么他的硬盘分区表格式为GUID（GPT）格式的；如果是win7以下的，那么一般就是MBR的了。 除此之外我们还可以利用分区工具DiskGen…
阅读更多...
python输出去空格_python不空格

python输出去空格_python不空格

广告关闭 腾讯云11.11云上盛惠 ，精选热门产品助力上云，云服务器首年88元起，买的越多返的越多，最高返5000元！ 退格(backspace) e 转义 000 空 n 换行 v 纵向制表符 t 横向制表符 r 回车 f 换页oyy 八进制数yy代表的字符，例如：o12代表换行 xyy 十进制数yy代表的字符，例…
阅读更多...
python中去除空格用什么函数_python中用什么函数去掉空格

python中去除空格用什么函数_python中用什么函数去掉空格

python中去掉空格的方法有以下几种 1.使用lstrip()函数去掉左边空格string " * it is blank space test * "print (string.lstrip()) 输出结果为&#xff1a;* it is blank space test * 2.使用rstrip()函数去掉右边空格string " * it is blank space tes…
阅读更多...
python输出去掉空格

python输出去掉空格

在输出后面加上sep ah bo print(a,ell,b,sep) 不加sep: 加上sep:
阅读更多...
推荐文章

Copyright @ 2022~2023